207. Course Schedule

Medium

mock interview的時候美國小哥提到了Kahn's Algorithm, 問我會不會。我沒聽過,但Course Schedule我是做過的诅病。后來查了下揍魂,我以前寫的那個用Queue的Topological sort的方法就是Kahn's Algorithm.于是自己又寫了一下

class Solution {
    public boolean canFinish(int numCourses, int[][] prerequisites) {
        if (prerequisites == null || prerequisites.length == 0){
            return true;
        }
        HashMap<Integer, Integer> indegree = new HashMap<>();
        HashMap<Integer, List<Integer>> neighbors = new HashMap<>();
        for (int i = 0; i < numCourses; i++){
            indegree.put(i,0);
        }
        for (int[] prerequisite : prerequisites){
            indegree.put(prerequisite[0], indegree.get(prerequisite[0]) + 1);
            neighbors.put(prerequisite[1], new ArrayList<Integer>());
        }
        for (int[] pre : prerequisites){
            neighbors.get(pre[1]).add(pre[0]);
        }
        Queue<Integer> queue = new LinkedList<>();
        for (Integer i : indegree.keySet()){
            if (indegree.get(i) == 0){
                queue.offer(i);
            }
        }
        int count = 0;
        while (!queue.isEmpty()){
            Integer curt = queue.poll();
            count++;
            if (neighbors.containsKey(curt)){
                for (Integer nei : neighbors.get(curt)){
                    indegree.put(nei, indegree.get(nei) - 1);
                    if (indegree.get(nei) == 0){
                        queue.offer(nei);
                    }
                }
            
            }
        }
        return count == numCourses;
    }
}

Algorithm:
Steps involved in finding the topological ordering of a DAG:

Step-1: Compute in-degree (number of incoming edges) for each of the vertex present in the DAG and initialize the count of visited nodes as 0.

Step-2: Pick all the vertices with in-degree as 0 and add them into a queue (Enqueue operation)

Step-3: Remove a vertex from the queue (Dequeue operation) and then.

Increment count of visited nodes by 1.
Decrease in-degree by 1 for all its neighboring nodes.
If in-degree of a neighboring nodes is reduced to zero, then add it to the queue.
Step 5: Repeat Step 3 until the queue is empty.

Step 5: If count of visited nodes is not equal to the number of nodes in the graph then the topological sort is not possible for the given graph.

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市檩电,隨后出現(xiàn)的幾起案子拄丰,更是在濱河造成了極大的恐慌,老刑警劉巖俐末,帶你破解...
    沈念sama閱讀 211,376評論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件料按,死亡現(xiàn)場離奇詭異,居然都是意外死亡卓箫,警方通過查閱死者的電腦和手機(jī)载矿,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,126評論 2 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來烹卒,“玉大人闷盔,你說我怎么就攤上這事魂挂。” “怎么了馁筐?”我有些...
    開封第一講書人閱讀 156,966評論 0 347
  • 文/不壞的土叔 我叫張陵涂召,是天一觀的道長。 經(jīng)常有香客問我敏沉,道長果正,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,432評論 1 283
  • 正文 為了忘掉前任盟迟,我火速辦了婚禮秋泳,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘攒菠。我一直安慰自己迫皱,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 65,519評論 6 385
  • 文/花漫 我一把揭開白布辖众。 她就那樣靜靜地躺著卓起,像睡著了一般。 火紅的嫁衣襯著肌膚如雪凹炸。 梳的紋絲不亂的頭發(fā)上戏阅,一...
    開封第一講書人閱讀 49,792評論 1 290
  • 那天,我揣著相機(jī)與錄音啤它,去河邊找鬼奕筐。 笑死,一個胖子當(dāng)著我的面吹牛变骡,可吹牛的內(nèi)容都是我干的离赫。 我是一名探鬼主播,決...
    沈念sama閱讀 38,933評論 3 406
  • 文/蒼蘭香墨 我猛地睜開眼塌碌,長吁一口氣:“原來是場噩夢啊……” “哼渊胸!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起誊爹,我...
    開封第一講書人閱讀 37,701評論 0 266
  • 序言:老撾萬榮一對情侶失蹤蹬刷,失蹤者是張志新(化名)和其女友劉穎瓢捉,沒想到半個月后频丘,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,143評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡泡态,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,488評論 2 327
  • 正文 我和宋清朗相戀三年搂漠,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片某弦。...
    茶點故事閱讀 38,626評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡桐汤,死狀恐怖而克,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情怔毛,我是刑警寧澤员萍,帶...
    沈念sama閱讀 34,292評論 4 329
  • 正文 年R本政府宣布,位于F島的核電站拣度,受9級特大地震影響碎绎,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜抗果,卻給世界環(huán)境...
    茶點故事閱讀 39,896評論 3 313
  • 文/蒙蒙 一筋帖、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧冤馏,春花似錦日麸、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,742評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至涕刚,卻和暖如春梢卸,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背副女。 一陣腳步聲響...
    開封第一講書人閱讀 31,977評論 1 265
  • 我被黑心中介騙來泰國打工蛤高, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人碑幅。 一個月前我還...
    沈念sama閱讀 46,324評論 2 360
  • 正文 我出身青樓戴陡,卻偏偏與公主長得像,于是被迫代替她去往敵國和親沟涨。 傳聞我的和親對象是個殘疾皇子恤批,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,494評論 2 348

推薦閱讀更多精彩內(nèi)容